کاربرد هوش مصنوعی برای سرمایه گذاری بهتر در سرمایه انسانی

کاربرد هوش مصنوعی برای سرمایه گذاری بهتر در سرمایه انسانی

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 29

تعداد کلمات : 7600

مجله : mathematics

انتشار : 2023

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

فونت ترجمه : Bنازنین 12

تاریخ انتشار
6 ژانویه 2024
دسته بندی
،
تعداد بازدیدها
3926 بازدید
89,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:کاربرد هوش مصنوعی برای سرمایه گذاری بهتر در سرمایه انسانی

 چکیده

 انتخاب نامزدها برای یک شغل خاص یا نامزد کردن یک فرد برای یک منصب خاص به دلیل نیاز به جستجوی پرونده افراد، زمان و تلاش زیادی را می‌طلبد. در نهایت، تصمیم استخدام ممکن است موفقیت آمیز نباشد. با این حال، هوش مصنوعی به سازمان‌ها یا شرکت‌ها کمک می‌کند تا فرد مناسب را برای شغل مناسب انتخاب کنند. علاوه بر این، هوش مصنوعی به انتخاب تیم‌های کاری هماهنگ که قادر به دستیابی به استراتژی و اهداف سازمان هستند کمک می‌کند. این مطالعه با هدف کمک به توسعه مدل‌های یادگیری ماشینی برای تجزیه و تحلیل و خوشه‌بندی ویژگی‌های شخصیتی و طبقه‌بندی متقاضیان برای اتخاذ تصمیم‌های صحیح استخدام برای مشاغل خاص و شناسایی نقاط ضعف و قوت آنها انجام شد. کمک به متقاضیان برای موفقیت در حین مدیریت کار و آموزش کارکنان دارای نقاط ضعف برای دستیابی به اهداف سازمان ضروری است. با استفاده از روش پیشنهادی، ما از مجموعه داده‌های آزمون پنج ویژگی‌های شخصیتی بزرگ در دسترس عموم برای انجام تحلیل‌ها استفاده کردیم. تکنیک‌های پیش پردازش برای پاکسازی مجموعه داده به کار گرفته شد. همچنین آزمون فرضیه‌ها با استفاده از رویکرد همبستگی پیرسون انجام شد. بر اساس نتایج آزمون، ما به این نتیجه رسیدیم که بین چهار ویژگی شخصیتی (توافق پذیری، وظیفه‌شناسی، برون‌گرایی و گشودگی) رابطه مثبت وجود دارد و بین ویژگی‌های روان رنجورخویی و چهار ویژگی همبستگی منفی وجود دارد. این مجموعه داده بدون برچسب بود. با این حال، ما الگوریتم خوشه‌بندی K-mean را برای کار برچسب‌گذاری داده اعمال کردیم. علاوه بر این، مدل‌های مختلف یادگیری ماشینی تحت نظارت، مانند جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایه K (KNN) و AdaBoost، برای اهداف طبقه‌بندی استفاده شدند. نتایج تجربی نشان داد که SVM بالاترین نتایج را با دقت ۹۸ درصد به دست آورد که بهتر از سایر مدل‌های طبقه‌بندی بود. این مطالعه از طریق بررسی میزان کاربرد هوش مصنوعی در حال و به طور بالقوه، آینده مدیریت منابع انسانی به منابع و مجموعه دانش کنونی می‌افزاید. نتایج ما می‌تواند برای شرکت‌ها، سازمان‌ها و رهبران آنها و مدیران منابع انسانی، علاوه بر متخصصان منابع انسانی، مهم باشد.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Application of Artificial Intelligence for Better Investment in Human Capital

Abstract

 Selecting candidates for a specific job or nominating a person for a specific position takes time and effort due to the need to search for the individual’s file. Ultimately, the hiring decision may not be successful. However, artificial intelligence helps organizations or companies choose the right person for the right job. In addition, artificial intelligence contributes to the selection of harmonious working teams capable of achieving an organization’s strategy and goals. This study aimed to contribute to the development of machine-learning models to analyze and cluster personality traits and classify applicants to conduct correct hiring decisions for particular jobs and identify their weaknesses and strengths. Helping applicants to succeed while managing work and training employees with weaknesses is necessary to achieving an organization’s goals. Applying the proposed methodology, we used a publicly available Big-Five-personality-traits-test dataset to conduct the analyses. Preprocessing techniques were adopted to clean the dataset. Moreover, hypothesis testing was performed using Pearson’s correlation approach. Based on the testing results, we concluded that a positive relationship exists between four personality traits (agreeableness, conscientiousness, extraversion, and openness), and a negative correlation occurred between neuroticism traits and the four traits. This dataset was unlabeled. However, we applied the K-mean clustering algorithm to the data-labeling task. Furthermore, various supervised machine-learning models, such as random forest (RF), support vector machine (SVM), K-nearest neighbor (KNN), and AdaBoost, were used for classification purposes. The experimental results revealed that the SVM attained the highest results, with an accuracy of 98%, outperforming the other classification models. This study adds to the current literature and body of knowledge through examining the extent of the application of artificial intelligence in the present and, potentially, the future of human-resource management. Our results may be of significance to companies, organizations and their leaders and human-resource executives, in addition to human-resource professionals.